一种基于神经网络的MIMO系统数字预失真补偿方法、装置、设备和存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115913844A(43)申请公布日2023.04.04(21)申请号202211413808.3(22)申请日2022.11.11(71)申请人北京邮电大学地址100876北京市海淀区西土城路10号(72)发明人洪卫军吴宇晨黄婷钰(51)Int.Cl.H04L25/49(2006.01)H04B7/06(2006.01)H04B1/04(2006.01)G06N3/045(2023.01)权利要求书4页说明书8页附图5页(54)发明名称方法能够同时补偿MIMO系统不同通道间的非线一种基于神经网络的MIMO系统数字预失真性串扰及功率放大器的非线性失真，经由神经网补偿方法、装置、设备和存储介质络结构高效准确的统一数字预失真模型，提高了(57)摘要建模精度。本发明公开了一种基于神经网络的MIMO系统数字预失真补偿方法、装置、设备和存储介质。涉及无线通信技术领域，以解决目前的MIMO预失真模型适用范围较小、辨识精度不够、复杂度过高的问题。本发明方法包括：将MIMO系统中的非线性串扰效应建模为双分支信道非线性串扰模型；将CNN网络结构与BiLSTM以及注意力机制相结合，构建了一个基于Attention机制的CNN‑BiLSTM混合模型，将经过放大器的非线性信号输入到算法模型中；针对MIMO系统，在其反馈链路上采用基于注意力机制的CNN‑BiLSTM预失真算法进行参数估计，从而补偿不同通道间串扰和功率放大器的非线性特性。传统的基于神经网络的数字预失真补偿方案利用神经网络来识别预失真器的逆函数，只考虑了传统的SISO系统，不能补偿MIMO发射机中的非线性串扰，本发明所提出的CN115913844A一种基于神经网络的MIMO系统数字预失真补偿CN115913844A权利要求书1/4页1.一种基于神经网络的MIMO系统数字预失真补偿方法、装置、设备和存储介质，其特征在于，该方法包括：对功率放大器之前非线性串扰进行建模，将MIMO系统中的非线性串扰效应建模为双分支信道非线性串扰模型,采用不同串扰功率表示串扰效果；将CNN网络结构与BiLSTM以及注意力机制相结合，构建一个基于Attention机制的CNN‑BiLSTM混合模型，将经过放大器的非线性信号输入到算法模型中在现有的MIMO系统的基础上针对通道间串扰效应在反馈链路上采用所提出的基于注意力机制的CNN‑BiLSTM预失真算法进行参数估计；将基于注意力机制的CNN‑LSTM混合算法应用于MIMO系统中，利用非线性放大器输出的星座图以及均方根误差RMSE来度量所提出的数字预失真算法对不同通道间串扰和功率放大器进行的补偿效果。2.如权利要求1所述的方法，其特征在于，所述MIMO系统中的串扰为：非线性串扰，具有非线性串扰效应的发射机的输出可以被建模为：上式中αij为j支路到i支路的串扰系数，xi为第i路功率放大器的输入，fi即为第i路功率放大器的非线性函数，yi为第i路输出，由于第j路输入信号泄漏到第i路功率放大器(PA)的输入，并在PA的输出出现干扰，因此在PA之前采用了预失真(DPD)以得到PA的线性化输出；在MIMO系统的DPD中，将预失真器的输入和输出表示为：xi＝gi(z1,...,zn)其中，zi＝[zi(1),…,zi(N)]，表示第i个分支上的需要经过预失真器的原始信号，gi(·)表示预失真器函数，每个预失真器的输入信号同时包含原始信号zi。3.如权利要求1所述的方法，其特征在于，所述基于注意力机制的CNN‑BiLSTM预失真算法采用的模型架构为：将CNN网络结构与BiLSTM以及注意力机制相结合，构建一个基于Attention机制的CNN‑BiLSTM混合模型，所提出的混合模型是一个以多元时间序列数据为输入，以双向多步单时间序列数据为输出的预测模型；首先对多元时间序列的输入数据采用CNN进行特征提取，具体构造了一个一维卷积层和一个最大池化层；为了将数据处理成BiLSTM所需的格式连接一个平滑层,为了避免过拟合在平滑层后加入dropout层,其输出连接到BiLSTM层进行预测；BiLSTM通过在神经网络中设计门单元和记忆细胞来处理在一段时间内重新收集数据的问题，本发明输入的数据为时序数据，因此结合功率放大器的记忆特性构建具有固定时序滞后项的输入，从而形成纵向时间序列；BiLSTM网络中的存储单元具有存储最近经历的数据的单元状态的作用，每一时刻信息到达一个存储单元，就通过单元状态的组合来控制结果，然后刷新单元状态，获得最新输出，具体构建的网络输入矩阵形式如下：2CN115913844A权利要求书2/4页BiLSTM循环神经网络第一个时间节点的输入为[Iin(t)，Qin(t)],[Iin(t‑k)，Qin(t‑k)]